ragflow v1.0.0 正式发布：Go 重写、百倍并发、Agentic Chat 到底带来了什么
UED官网为你整理相关体育消息：
2026 年 11 月 9 日，RAGFlow v1.
0.
0 正式发布。
经历三个候选版本后，RAGFlow 1.
0 终于进入生产可用阶段。
这不是一次普通的功能更新，而是一次底层架构级别的重构：系统以 Go 完成整体重写，部署体积、启动速度、并发能力、查询延迟、内存使用、文档解析性能均获得大幅改善；
同时，全新的 Agentic Chat 上线，让 RAGFlow 从“检索后直接回答”进一步走向“多步推理、循环检索、调用工具、判断证据是否充足”的智能问答模式。
对于正在建设企业知识库、智能客服、复杂文档问答、Agent 工作流或私有化 RAG 平台的团队而言，RAGFlow 1.
0 是一个非常值得关注的关键版本。
一、RAGFlow 1.
0 最重要的变化：从架构到智能问答全面升级 RAGFlow 1.
0 的核心价值可以概括为四个方向： • Go 重写，大幅降低部署和运行开销 • 并发能力提升约 100 倍 • Agentic Chat 全面替代旧版思考等级模式 • 文档解析、检索、任务执行、缓存与消息队列架构全面演进 官方建议所有用户升级至这一版本，以获得更好的稳定性、性能与问题回答效果。
二、Go 重写：镜像更小、启动更快、运行更轻 RAGFlow 1.
0 通过 Go 重写实现了更轻量化的部署与运行方式。
本次更新中，Docker 镜像体积约缩小至原来的十分之一，启动速度约提升十倍。
对于需要频繁扩缩容、边缘部署、多环境交付或者资源预算有限的团队，这项变化尤其重要。
过去，复杂 RAG 系统往往需要较重的运行时环境，服务启动慢、镜像大、资源消耗高，部署到生产环境时需要额外处理依赖、运行时、镜像分层与容器冷启动问题。
Go 重写后，RAGFlow 的运行形态更适合云原生环境，也更适合高密度容器部署。
与此同时，RAGFlow 1.
0 的 CLI 也完成了 Go 重写，使命令行使用、运维操作和管理流程进一步统一。
本次版本还新增 arm64 架构 Docker 镜像支持。
对于使用 ARM 服务器、苹果芯片开发设备或 ARM 云实例的用户而言，部署选择更灵活。
三、并发能力约提升 100 倍：高并发知识库场景迎来关键升级 RAGFlow 1.
0 在并发能力方面实现了约 100 倍提升，同时显著优化以下指标： • 查询延迟 • 内存使用 • 文档解析速度 • 服务运行稳定性 • 高并发场景下的资源竞争与数据一致性 这意味着，RAGFlow 1.
0 不只是“回答更聪明”，也更适合生产级应用。
例如，在企业知识库场景中，大量员工可能会同时发起制度查询、产品问答、技术检索、项目资料搜索。
在客服场景中，多个客户会同时请求回答。
在文档处理场景中，成百上千份 PDF、Office 文档、网页、图片和扫描件可能需要进入解析队列。
RAGFlow 1.
0 对这些压力场景进行了针对性改进，包括消息队列、缓存、任务调度、解析器、检索流程、模型访问、前端列表渲染、日志记录等多个环节。
四、Agentic Chat 正式上线：不再只是“检索一次然后回答” RAGFlow 1.
0 最大的产品能力变化，是新增 Agentic Chat 模式。
旧版本中的 Low、Medium、High、Ultra 思考等级模式被 Agentic Chat 替代。
Agentic Chat 的核心能力是：针对复杂问题，系统不再只进行一次检索并立即给出答案，而是可以进行多步推理，并在过程中不断评估当前证据是否足以回答问题。
其典型流程包括： • 理解用户问题 • 检索知识库内容 • 判断当前证据是否足够 • 在证据不足时继续检索 • 按需调用工具 • 综合多轮检索与工具结果 • 最终生成回答 这种机制特别适合复杂问题、多跳问答、跨文档关联、需要判断条件或需要调用外部工具的问题。
例如，用户提出的问题可能不是“某个产品的价格是多少”，而是“根据当前政策、项目合同和历史订单，某个客户是否满足特定折扣条件，并说明依据”。
这类问题往往不能依靠一次简单向量检索完成，需要反复定位相关材料、比较条件、筛选证据，再形成最终结论。
RAGFlow 1.
0 通过 Agentic Chat 为这类任务提供了更完整的执行机制。
五、Jev 决策模型加入 Agent 工具调用循环 在 Agentic Chat 中，RAGFlow 1.
0 引入 Jev 决策模型，用于判断当前可用证据是否足以回答问题。
这项能力解决了 RAG 系统中非常常见的难题：模型什么时候应该停止检索并回答，什么时候应该继续搜索、调用工具或寻找补充证据。
如果证据不足却过早回答，容易产生遗漏、误答和幻觉；
如果证据已经足够却不断检索，则会增加响应时间和 token 成本。
Jev 决策模型进入 Agent 工具调用循环后，可以帮助系统完成“证据
更多体育热点，关注UED官网。
